materialyzeai/maml

解决的问题

材料科学研究人员经常难以跨越原始原子结构与机器学习模型之间的鸿沟。本项目通过提供统一的接口，将复杂的材料数据转换为标准机器学习工具可以理解并用于预测的格式，从而简化了这一过程。

工作原理

该工具并非重新发明机器学习算法，而是充当一座桥梁。它利用 scikit-learn、TensorFlow 和 MatGL 等现有的强大库来处理繁重的工作。它提供了专门的模块，将原子组成和结构转化为数值特征，选择多样化的训练数据，并运行诸如原子间势拟合或用于结构弛豫的贝叶斯优化等高级应用。

适用人群

专为希望将机器学习应用于其数据，而无需从零开始构建自定义基础设施的材料科学家和研究人员设计。对于那些已经在使用 pymatgen 或 matminer 等工具，并需要一种精简方式来训练材料属性模型的用户来说，它是理想的选择。

亮点

• 提供将材料结构自动转换为机器可读特征（如库仑矩阵和图网络嵌入）的功能。
• 包含用于拟合机器学习原子间势（如 SNAP、GAP 和 MTP）的专用工具。
• 具有 DIRECT 采样功能，帮助研究人员从大型数据集中选择多样化、高质量的训练集。
• 提供用于结构弛豫的贝叶斯优化和计算晶界能等任务的预构建应用程序。
• 与流行的 Python 机器学习库无缝集成，同时支持符号回归等高级工作流。